该论文提出了一种基于语义特征聚合（SFA）的非参考图像质量评估（NR-IQA）方法，利用预训练的深度卷积神经网络（DCNN）模型提取高阶语义特征，以应对图像内容变化的影响。通过多面片表示、自适应层选择和多种统计结构的特征聚合，提高了评估准确性和鲁棒性。研究还涉及新的实验设计、数据集构建以及计算效率的分析。
摘要：
提出了一种基于语义特征聚合（SFA）的NR-IQA方法，以缓解图像内容变化的影响。具体来说，我们不是调整图像的大小，而是首先在整个扭曲的图像上裁剪多个重叠的面片，以避免引入几何变形。然后，根据自适应层选择过程，利用预训练图像分类模型固有的内容感知特性，提取深层语义特征。然后，使用几种统计结构对局部面片特征进行聚合。最后，训练一个线性回归模型，将聚集的全局特征映射到图像质量分数。
包括四个关键组件：图像表示、特征提取、特征聚合和质量预测。
本文扩展了我们的会议论文，并做了以下区分。1） 一个主要的扩展是，我们设计了新的实验，构建了新的数据集，并定义了新的定量标准来分析图像内容变化的影响。2） 采用了一种新的自适应层选择方法进行特征选择，可以显著提高我们的方法在模拟图像上的性能。3） 我们进行了更多的实验和分析，为此我们提供了关于真实模糊的讨论，报告了统计显著性测
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
